
大数据指基表现抢眼 部分跟踪效果差_数据分析师
互联网大数据的迅猛发展让大数据指数基金成为指数型基金行列中的新兵,大数据指数以及相关的大数据指数基金也一直是很多投资者关注的重点。中国基金报记者统计发现,大数据指基今年以来上涨幅度较大,市场表现非常抢眼,但部分大数据指基的指数跟踪效率较低,并不尽如人意。
大数据指数普遍跑赢大盘
截至2015年4月30日,市场上已有4只大数据指数,分别是中证腾安价值100指数、中证百度百发策略100指数、中证淘金大数据100指数和大数据系列策略指数(i100和i300),目前已经有银河基金、国金通用基金、广发基金、博时基金、南方基金等公募与之合作,发布了基金产品跟踪此类指数。
基金研究人士称,由于数据来源的不同,上述大数据指数也各具特点。中证腾安价值100指数是利用腾讯微博影响力和财经领域专家组成的指数评审委员会推荐,作为个股选择来源。中证百度百发策略100指数是通过统计用户在百度的海量搜索数据和投资新闻资讯等百度大数据筛选个股。大数据系列指数(i100和i300)则根据用户在新浪财经对行情或个股新闻的访问、搜索热度以及微博的多空分析数据推荐。中证淘金大数据100指数则基于阿里的交易信息、信用数据等分析细分行业电商的交易趋势,预测行业未来盈利状况而推荐。
这些大数据指数的市场表现非常抢眼。Wind数据显示,截至2015年4月30日,中证腾安价值100指数、中证百度百发策略100指数、中证淘金大数据100指数、大数据系列策略指数i100今年以来分别上涨67.67%、62.49%、63.03%、68.85%,而同期上证综指、沪深300指数的涨幅仅为37.31%、34.42%。
相关产品跟踪效果不理想
记者在采访中发现,虽然互联网大数据指数基金有不俗的表现,但并非尽善尽美,有些大数据指基的指数跟踪效率不甚理想。以跟踪中证腾安价值100指数的银河定投宝为例,其对指数的跟踪效率相对偏低。
据基金业研究人士称,全复制型指数基金的跟踪误差如果控制在0.2%之内,则指数基金运作状况较为理想,一般情况下,日均跟踪误差超过0.35%,年跟踪误差超过4%,则指数基金的跟踪效率就较差。
记者统计发现,截至2015年4月30日,中证腾安价值100指数今年以来累计上涨67.67%,而跟踪该指数的银河定投宝仅上涨54.80%。若按照基金合同约定,银河定投宝的业绩比较基准为“中证腾安价值100指数收益率×95%+银行活期存款利率(税后)×5%”,那么银河定投宝的收益应该是66.04%,但银河定投宝今年以来54.80%的收益,与跟踪的指数差距高达11.24个百分点。此外,广发中证百发100指数基金今年以来收益率也只有58.55%,与对应指数62.49%的涨幅也有一定差距。
此外,根据记者统计,银河定投宝产品还出现了上涨乏力、下跌失速的情况。统计数据显示,在所有上涨交易日行情中,中证腾安指数今年以来累计上涨78.38%,而跟踪该指数的银河定投宝仅上涨69.98%;而在所有下跌交易日的行情中,中证腾安指数今年以来累计下跌27.77%,而跟踪该指数的银河定投宝下跌27.15%。而根据该只基金的基金合同,并未出现会增加“指数增强”的策略。
基金业研究人士称,互联网大数据指数的兴起,丰富了当前国内的指数构成,也受到了众多投资者的追捧,而在大数据指数推出后,跟踪这些指数的基金产品的市场表现和跟踪效率就至关重要,只有跟踪效率良好、经得起市场考验的大数据指基,才能最终获得投资者的认可。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14